Logic_9527的博客

支持向量机(SVM)是针对二分类问题，支持向量回归(SVR)基于SVM应用与回归问题。SVR回归与SVM分类的区别在于SVR的样本点只有一类，SVM是要使到超平面最近的样本点的“距离”最大，SVR则是要使到超平面最远的样本点的“距离”最小。，影响样本点的聚合或分散程度。gamma隐含地决定了数据映射到新的特征空间后的分布。gamma越大，支持向量越少；gamma值越小，支持向量越多。，它控制着模型的复杂度和训练数据的适应程度。c是惩罚系数，即对误差的宽容度。c越高容易过拟合，c越小容易欠拟合。

支持向量机(SVM)是针对二分类问题，支持向量回归(SVR)基于SVM应用与回归问题。SVR回归与SVM分类的区别在于SVR的样本点只有一类，SVM是要使到超平面最近的样本点的“距离”最大，SVR则是要使到超平面最远的样本点的“距离”最小。gamma值越小，支持向量越多。[2] 徐炜君.考虑主环境因素的GWO-SVR风电功率超短期预测[J].电子设计工程,2023,31(15):150-156.，它控制着模型的复杂度和训练数据的适应程度。c是惩罚系数，即对误差的宽容度。c越高容易过拟合，c越小容易欠拟合。